TensorFlow 2 предлагает более быстрое обучение модели


Появилась новая версия Google TensorFlow с более быстрым обучением моделей и переходом на Keras в качестве центрального высокоуровневого API, используемого для создания и обучения моделей.

TensorFlow – это инструмент Google с открытым исходным кодом, который можно использовать для широкого спектра параллельных вычислений, включая реализацию нейронных сетей и других методов обучения ИИ. Он разработан, чтобы упростить работу с нейронными сетями, и рассматривается как более общий и простой, чем другие варианты. Keras был добавлен в версии 1.4, но теперь он стал центральным API. Это структура машинного обучения, которая сама по себе является API нейронной сети. Он был написан на Python и разработан с упором на возможность быстрого экспериментирования.

Повышенная производительность в обучающих моделях обеспечивается более тесной интеграцией с TensorRT, оптимизатором вывода Nvidia для глубокого обучения, обычно используемым в приложениях на основе ResNet-50 и BERT. Nvidia заявляет, что с помощью TensorRT и TensorFlow 2.0 разработчики могут достичь 7-кратного ускорения вывода.

Цель более тесной интеграции Keras, наряду с другими улучшениями, включая активное выполнение по умолчанию и выполнение функций Pythonic, – сделать TensorFlow знакомым для разработчиков Python.
Активное выполнение в TensorFlow означает, что операции оцениваются немедленно, без построения графиков: операции возвращают конкретные значения вместо построения вычислительного графа для последующего выполнения.
Выполнение функции Pythonic означает отказ от построения графика и его выполнения через сеанс TensorFlow. Теперь это не рекомендуется и заменяется написанием обычных функций Python. Затем функции можно преобразовать в графики, которые можно выполнять удаленно, сериализовать и оптимизировать для повышения производительности.
Другие улучшения означают, что разработчики смогут использовать API стратегии распространения для распространения обучения с минимальными изменениями кода. Этот API поддерживает распределенное обучение с помощью Keras model.fit, а также с пользовательскими циклами обучения.
В этом выпуске также стандартизирован формат файла SavedModel. Это означает, что вы можете запускать модели в различных средах выполнения, включая облако, Интернет, браузер, Node.js, мобильные и встроенные системы. Вы можете запускать свои модели с помощью TensorFlow, развертывать их с помощью TensorFlow Serving, использовать их в мобильных и встроенных системах с помощью TensorFlow Lite, а также обучать и запускать в браузере или Node.js с помощью TensorFlow.js.
TensorFlow 2.0 доступен для загрузки на GitHub.


Добавить комментарий